基于旋转的迭代高斯化中的正交卷积
计算机视觉与模式识别
2022-06-09 v1
摘要
本文详述了基于旋转的迭代高斯化（RBIG）的一种扩展，使得图像高斯化成为可能。尽管 RBIG 已成功应用于许多任务，但它受限于中等维度数据（约数千维）。在图像中，其应用仅限于小图像块或孤立像素，因为 RBIG 中的旋转基于主成分或独立成分分析，而这些变换难以学习和扩展。本文提出卷积 RBIG（Convolutional RBIG）：一种通过强制 RBIG 中的旋转为卷积来缓解此问题的扩展。我们提出通过学习卷积旋转（即正交卷积）来优化输入与使用该转置卷积运算得到的变换近似逆之间的重构损失。此外，我们建议在学习这些正交卷积时使用不同的正则化器。例如，在激活中施加稀疏性会得到一种将卷积独立成分分析扩展到多层架构的变换。我们还强调了如何从卷积 RBIG 获得数据的统计特性，如多元互信息。我们用一个纹理合成的简单示例说明了该变换的行为，并通过可视化在某些特征和层中最大化响应的刺激来分析其性质。
引用
@article{arxiv.2206.03860,
title = {Orthonormal Convolutions for the Rotation Based Iterative Gaussianization},
author = {Valero Laparra and Alexander Hepburn and J. Emmanuel Johnson and Jesús Malo},
journal= {arXiv preprint arXiv:2206.03860},
year = {2022}
}